Bacharelado em Ciência da Computação (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/6
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
3 resultados
Resultados da Pesquisa
Item Comparative Analysis of Data Augmentation Techniques in Hand Gesture Recognition(2025-03-18) Souza, Diego Rafael Ferreira de; Macario Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/0925751641833600Hand gesture recognition has gained significant attention due to its widespread applications in human-computer interaction, virtual reality, and assistive technologies. However, the scarcity of large, labeled datasets poses challenges such as overfitting and limited model generalization. To address this, we systematically evaluate 13 classical and six state-of-the-art (SOTA) data augmentation techniques for hand gesture recognition, conducting experiments on HGR1, OUHANDS, LIBRASUEFS, and EgoHands using the HGR-Net CNN architecture. Our results show that contrast-based augmentations (e.g., Solarize, Invert) improved accuracy by up to 21.16%, while mixing-based methods (e.g., MixUp, CutMix) often reduced performance, likely due to excessive distortion of gesture structures. Additionally, combining the best-performing augmentations was critical for maximizing accuracy across all datasets. However, these combinations did not always produce additive improvements, underscoring the importance of dataset-specific augmentation strategies for achieving optimal model performance.Item Modelos de recomendação sensível ao contexto em ambientes de comunicação aumentativa alternativa: naive bayes, redes neurais e aprendizagem federada(2025-03-19) Nascimento, Fabio Augusto Souza do; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/2170186670973508A inteligência artificial (IA) está presente em diversos setores da sociedade, promovendo constantes avanços tecnológicos e sociais. Um dos subconjuntos da IA é a aprendizagem de máquina (AM), que possibilita aos computadores aprenderem e evoluírem com base em dados. O conhecimento obtido por meio desse processo auxilia em diferentes áreas, desde a análise e interpretação de informações até a usabilidade de aplicativos. Compreender o funcionamento e as possibilidades dessa ferramenta pode ser um ativo valioso. Entre as múltiplas aplicações possíveis, a AM desempenha um papel importante na comunicação aumentativa e alternativa (CAA), auxiliando indivíduos que apresentam dificuldades nessas interações por meio de aplicativos. Essas aplicações estão em constante evolução e, com as inovações tecnológicas, possibilitam o desenvolvimento de sistemas capazes de compreender o ambiente em que uma pessoa está inserida e oferecer recomendações personalizadas aos usuários. Este trabalho investiga o uso dos Sistemas de Recomendação Sensível ao Contexto (SRSC) em aplicações da CAA, considerando as características individuais dos usuários com base em seus dados e contexto. São utilizados modelos de IA, tais como Naïve Bayes (NB), Redes Neurais Artificiais (RNA) e Aprendizagem Federada (AF), para comparar diferentes abordagens e avaliar sua capacidade de fornecer resultados relevantes. A partir dos experimentos realizados, foi possível verificar que modelos personalizados demonstram melhor desempenho em relação a abordagens globais, oferecendo recomendações mais relevantes aos usuários finais. Nesse sentido, a personalização e o uso de variáveis contextuais podem melhorar significativamente a experiência de pessoas que dependem de CAA, aumentando a agilidade e a assertividade da comunicação.Item Uma metodologia para a avaliação de desempenho e custos do treinamento de redes neurais em ambientes de nuvem(2024-03-07) Moura Filho, Cláudio Márcio de Araújo; Sousa, Érica Teixeira Gomes de; http://lattes.cnpq.br/9899077867723655; http://lattes.cnpq.br/8143173691280119Deep neural networks are solutions to problems involving pattern recognition and several works try to find ways to optimize the performance of these networks. This optimization requires suitable hardware to be implemented, hardware that can be very expensive for small and medium-sized organizations. The objective of this work is to propose a methodology to evaluate the performance and cost of training neural networks, considering the factors that most impact training time and evaluate the total financial cost of the environment for this task. In this sense, it was observed that factors such as the size of the input image and the network architecture have a great impact on the training time metric and consequently on the total cost.